简单介绍： 学习记忆实验方法的基础是条件反射，各种各样的方法均由此衍化出而来，跳台法就是其中的一种较常用的方法，该方法的优点是简便易行，多通道大小鼠通用型跳台仪（Plus）一次可同时试验多只动物，即可观察**对记忆过程的影响，也可观察对学习的影响，有较高的敏感性，尤适合于初筛**。多通道大小鼠通用型跳台仪（Plus）具有液晶显示、设定方便、记数准确、形象直观、结构紧凑、维护方便、使用安全等特点适合科研和教学使用，是各种增智健脑、提高记忆、抗衰老**和保健品筛选、开发研制必不可少的工具。多通道大小鼠通用型跳台仪（Plus）用微电脑控制对动物下台行为有判断能力，可设定测试时间记录下台潜伏期和次数。 详情介绍： 技术指标1、*长自动记录时间：120分00秒2、*短自动记录时间：1秒3、*多记录实验数据：60组4、每室*大记录次数：999999次5、记录数据有：***、潜伏期、错误次数6、8通道独立开始和停止功能。7、计时**度：0.01秒8、时钟设定项目：年、月、日、时、分、秒9、通道设置：1~8通道任意设置10、刺激电流：8通道独立可条调，刺激范围0.1~5mA,步长0.111、输入电压：交流，200V-230V  50Hz12、消耗功率：30W13、工作环境温度：0-40℃14、带USB数据导出功能15、可连小鼠跳台箱（八室，每室110×110×160mm），或大鼠跳台箱（八室，每室200×200×290mm）

产品详细介绍     cD-760B型多媒体网络型数控机床机电一体化实验室是一款集合多媒体教学内容和数控仿真软件教学内容为一体的综合实验室。同时它与HK、cNc、6135-A型数控车床，HK、cNc、xK125-A型数控铣床构成完整的网络实验室。多媒体数控实验室可以非常方便地完成电脑网络教学任务，包括广播教学、屏幕监视、两人对讲和多方讨论等视频流的网络广播，黑屏肃静、联机讨论、远程命令、电子教鞭、电子举手、锁定学生机的键盘和鼠标、远程重启和关机、班级管理等。 ●实验软件特点： 1、本模拟软件分数控铣床软件与数控车床软件两种。在计算机上可随意切换操作。 2、以标准自3X86兼容构架为硬件平台。以DOS或Windows系列操作系统为软件平台。具有丰富的软件基础和充分的升级潜力。操作简单，工作可靠，性能优良。在不同的操作现场，可灵活配置系统构成。以满足用户对性能、成本、安全方式、使用环境等多方面的综合要求。 ●多媒体特点： 教师机：广播教学、语音教学、语音对讲、学生演示、监控转播、文件分发、电子教鞭、班级模型、系统设置、远程命令、远程设备、远程消息、分组教学、语音讨论、文件收集、查看学生属性。 学生机：电子举手、远程消息、窗口接收广播、可选窗口显示模式。 ●实验室功能特点： 1、计算机配置：赛扬cPu1.8G、内存256M、硬盘40G、17”纯平显示器、时尚粉烤机箱、超薄键盘、3D鼠标、52倍速cD-ROM、耳机等组成。 2、本实验室车／铣床仿真软件在一台计算机上进行操作编程模拟。然后把程序通过TcP／lP协议传送到数控车床或铣床进行实验加工。 3、选用一套CAD／CAM软件进行教学。教师广播教学：将教师机的电脑屏幕画面和语音等多媒体信息实时广播给全体、群体或单个学生。并同时提供电子教鞭等功能。语音教学时通过话筒和耳机进行语音传播，实现教师与学生之间的自由的语音交谈和讨论。允许学生发言，并可方便地切换发言学生；可随时方便地使一组学生加入或退出教学行列。 4、文件分发功能强大且界面相当易用。可以定义宏目录。如教师把数控程序文件可以同时分发给教室里的所有学生。您可以将一个或多个文件一次性的传输到指定的学生机上。这样就可以做到网上分发试卷或演示课件等。您真的可以体会网络教学的轻松与写意。 5、文件提交功能可以收集学生所做的作业如CAD／CAM文件、数控程序文件等提交给老师。方便老师操作。 6、电子点名功能方便老师统计学生上课考勤一情况。

平行四边形机构其两对面杆具有相同运动规律的特点，主动曲柄逆时针转动时，带动从动杆作同向同速转动，送料杆作平移运动，可将物料一步一步向前搬动。 特点：用于机械原理教学。 主要技术参数如下： ①行程：180mm； ②减速电机：型号NMRV，功率P=375W，速比i=80，电压220V； ③间歇送料： 19次/min； ④外形尺寸：长x 宽x 高=1300㎜x 500㎜x 500㎜； ⑤实验台重量：140kg;

近年来，大气污染问题日益严重，尤其是雾霾、光化学烟雾、臭氧等问题已经引起国内外广泛关注。挥发性有机气体（VOCs）是造成雾霾及臭氧（O3）的重要污染物。吸附法是去除VOCs高效简便的方法之一，但在实际应用中，水蒸气的存在与VOCs产生竞争吸附，因此设计具有高VOCs吸附性能的疏水性吸附剂具有重要意义。近日，天津大学环境学院“大气环境与生物能源团队”（http://catalysis.tju.edu.cn/）针对分子筛表面亲水性及其在含湿条件下VOCs吸附应用存在的问题，利用多孔有机聚合物疏水性等特征，设计合成了一系列分子筛与多孔有机聚合物核壳结构的新型吸附材料，所开发的吸附剂有效提高了分子筛表面疏水性，并且大大提升了其在干燥和潮湿条件下的甲苯吸附性能。相关研究成果《Core-shell structured Y zeolite/hydrophobic organic polymer with improved toluene adsorption capacity under dry and wet conditions》已发表在环境类国际高水平期刊Chemical Engineering Journal（IF: 10.652）上。该系列吸附剂的研发为制备一系列疏水性吸附剂提供了新的思路。

项目成果/简介:近年来，大气污染问题日益严重，尤其是雾霾、光化学烟雾、臭氧等问题已经引起国内外广泛关注。挥发性有机气体（VOCs）是造成雾霾及臭氧（O3）的重要污染物。吸附法是去除VOCs高效简便的方法之一，但在实际应用中，水蒸气的存在与VOCs产生竞争吸附，因此设计具有高VOCs吸附性能的疏水性吸附剂具有重要意义。近日，天津大学环境学院“大气环境与生物能源团队”（http://catalysis.tju.edu.cn/）针对分子筛表面亲水性及其在含湿条件下VOCs吸附应用存在的问题，利用多孔有机聚合物疏水性等特征，设计合成了一系列分子筛与多孔有机聚合物核壳结构的新型吸附材料，所开发的吸附剂有效提高了分子筛表面疏水性，并且大大提升了其在干燥和潮湿条件下的甲苯吸附性能。相关研究成果《Core-shell structured Y zeolite/hydrophobic organic polymer with improved toluene adsorption capacity under dry and wet conditions》已发表在环境类国际高水平期刊Chemical Engineering Journal（IF: 10.652）上。该系列吸附剂的研发为制备一系列疏水性吸附剂提供了新的思路。

近日，机电学院王绍金教授团队在学校G2期刊《InternationalJournalofFoodMicrobiology》上发表题为“Combinedeffectsofintermittentradiofrequencyheatingwithcinnamonoilvaporonmicrobialcontrolandqualitychangesofalfalfaseeds”的论文。博士研究生徐渊美为论文第一作者，王绍金教授为论文通讯作者。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。